[发明专利]一种基于深度学习的分时段用户活动推荐方法及装置

说明书

本发明涉及一种基于深度学习的分时段用户活动推荐方法，包括如下步骤：步骤1、用户登录系统，获取该用户的用户数据和当前的时间数据；同时，获取系统所提供的N个活动的活动数据，其中N为活动的总数量；步骤2、将用户数据、当前时间数据和每个活动数据进行组合，得到N组输入数据，每一组输入数据包含该用户数据、时间数据5以及一个活动数据；步骤3、对每组输入数据进行预处理，将文本型数据转换为数值型数据；步骤4、将处理后的N组输入数据输入深度神经网络，所述深度神经网络输出该用户在当前时间对应每个活动的预测评分；步骤5、向用户推荐预测评分最高的活动。

技术领域

本发明涉及一种基于深度学习的分时段用户活动推荐方法及装置，属于计算机人工智能推荐领域。

背景技术

推荐系统就是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等信息去判断用户当前需要或感兴趣的物品/服务的一类应用。推荐系统的主要任务就是联系用户和信息。对用户而言，推荐系统能帮助用户找到喜欢的物品/服务，帮忙进行决策，发现用户可能喜欢的新事物；对商家而言，推荐系统可以给用户提供个性化的服务，提高用户信任度和粘性，增加营收。

在这个信息爆炸的时代，信息过载问题催生了推荐系统在我们日常生活中方方面面的渗透：电子商务、电影或视频网站、个性化音乐网络电台、社交网络、个性化阅读、基于位置的服务、个性化邮件、个性化广告……在你逛淘宝、订外卖、听网络电台、看美剧、查邮件、淘攻略的时候，推荐系统在你不知不觉中将你可能感兴趣的内容推送给你。

个性化推荐系统需要依赖用户的行为数据，一般都是作为一个应用存在于不同网站之中。推荐系统在日常生活中的应用随处可见，比如网上购物、音乐软件、电影网站等等，根据个人的喜好以及习惯等信息进行个性化的内容推荐。但却鲜有根据用户的操作并结合操作时间分析其在特定时间段感兴趣的活动，然后进行推荐。活动指用户在特定系统中进行的活动，或可理解为用户根据日常使用习惯或需求在子网页上的操作行为。

发明内容

为了解决上述技术问题，本发明提供一种基于深度学习的分时段用户活动推荐方法，根据用户操作发生时所在的月份和时间段分析用户在不同时段感兴趣的活动，采集用户数据、活动数据以及时间数据，利用深度神经网络分析用于在特定时间段感兴趣的活动，实现精准的分时段用户活动推荐。

本发明技术方案一如下：

一种基于深度学习的分时段用户活动推荐方法，包括如下步骤：步骤1、用户登录系统，获取该用户的用户数据和当前的时间数据；同时，获取系统所提供的N个活动的活动数据，其中N为活动的总数量；步骤2、将用户数据、当前时间数据和每个活动数据进行组合，得到N组输入数据，每一组输入数据包含该用户数据、时间数据以及一个活动数据；步骤3、对每组输入数据进行预处理，将文本型数据转换为数值型数据；步骤4、将处理后的N组输入数据输入深度神经网络，所述深度神经网络输出该用户在当前时间对应每个活动的预测评分；步骤5、向用户推荐预测评分最高的活动。

更优地，所述深度神经网络包括用于处理用户数据的第一神经网络、用于处理活动数据的第二神经网络、用于处理时间数据的第三神经网络以及总全连接层；所述第一神经网络的输入为预处理后的用户数据，输出为用户特征向量，所述第二神经网络的输入为预处理后的活动数据，输出为活动特征向量，所述第三神经网络为预处理后的时间数据，输出为时间特征向量，将用户特征向量、活动特征向量以及时间特征向量进行向量拼接后输入所述总全连接层，所述总连接层的输出为该用户在该时间进行各个活动对应的预测评分。

更优地，所述步骤2中的用户数据包括用户ID和用户职业，活动数据包括活动ID、活动名以及活动类型，所述时间数据为日期；所述步骤3中，对每组输入数据进行预处理，具体为：将用户ID和活动ID分别转换为数字编号；建立用户职业和活动类型编号映射表，根据该映射表，将用户职业和活动类型转换为对应的数字编号；统一所述活动名的文本长度，空白部分采用数字填充；将时间数据中的月信息保持不变，日信息按时间段划分，每一时间段对应一数字编号。